智能车联网:一种机器学习框架
本文探讨了机器学习在车联网安全领域的应用,介绍了车联网的基础知识和通信类型,提出了车联网安全攻击的分类和安全挑战要求,以及机器学习在应对安全问题时的解决方案与工作原理,并讨论了采用机器学习方法在车联网中面临的局限性和挑战。
May, 2021
该研究提出了一个利用主动学习框架从实时收集的数据中,对自动驾驶车辆进行正确分类的方法,该方法通过有效处理贫乏且嘈杂的数据,并在数据质量和多样性之间进行权衡,从其他车辆接收的信息以及有关自身传感器的信息进行数据分析,从而实现高准确度的分类,而该方法相比其他现有的解决方案,具备数据传输带宽要求低的优势。
Feb, 2020
本文在 ns-3 仿真平台上实现了基于人工智能算法的无线网络优化,通过新的应用程序模拟车对所有策略的传输,基于强化学习模块实现预测服务质量,相较于基线方案,在实现人工智能之后优化网络的效果更好。
Mar, 2022
基于强化学习的创新解决方案可以解决城市区域自主车辆的路径规划问题,同时考虑驾驶时间和数据传输需求,通过优先选择高带宽道路来满足数据传输要求,并最小化驾驶时间,相较于不考虑交通和带宽的基准路线规划方法,该解决方案表现更好。
Sep, 2023
本文介绍深度学习在车联网中用于资源分配的关键动因和障碍,并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术,探究当前设计方法所面临的挑战,并提出未来资源分配研究的一些方向。
Jul, 2019
本文概述了人工智能在 5G 及以后无线网络中的应用,包括网络智能类型、机器学习以及应用案例,重点介绍了物理层、移动性管理、无线安全和定位方面的应用。
Nov, 2019
本文阐述了在未来智能交通系统中,机器学习在自动驾驶汽车(CAV)中的应用所带来的各种挑战和潜在的安全问题,特别关注于对 CAV 的敌对性机器学习攻击,并提出了在多种情况下防御对抗攻击的解决方案。
May, 2019
本文通过对深度学习和移动无线网络研究领域的全面调查,桥接了两个领域之间的鸿沟,并讨论了如何将深度学习技术应用到移动系统中,从而提出了当前研究的挑战和未来发展方向。
Mar, 2018
本文研究车联网应用中的联邦学习与集中式学习的可行性,探讨了基于图像数据集的目标检测,分析了数据标注、模型训练的挑战,以及数据速率、可靠性、隐私和资源管理等通信方面的问题,并为联邦学习在车联网领域中的未来研究方向提供了展望。
Jun, 2020
本研究针对未来雾计算系统,提出了一种基于学习的车联网移交优化方案,利用机器学习算法学习车辆与雾节点的互动,运用神经网络预测给定位置和时间的正确雾节点,以及实现了一种双层堆叠的循环神经网络,可以学习处理请求的高延时服务,用于创建智能请求路由机制,优化服务中断并预测低覆盖区域,其测试集准确率达到 99.2%。
Dec, 2018